论文部分内容阅读
森林植被是构成森林资源的主体,准确识别森林植被的类型可以为森林资源研究和利用奠定基础。随着遥感技术的发展,高空间分辨率数据的出现使得树种分类已经可行。然而,传统的光学遥感仅能描述地物的水平格局,对于单木树种识别存在很大困难。激光雷达(light detection and ranging,LiDAR)在单木树种分类中具有巨大的潜力和优势。本研究以东北林业大学帽儿山实验林场中林施业区的两块1O0m×1OOm方形样地为研究对象。首先,对LiDAR数据进行预处理,得到冠层高度模型(canopy height model,CHM),然后对原始的CHM进行优化;之后使用基于区域截面分析法(region-based hierarchical cross-section analysis,RHCSA)进行单木树冠分割,然后进行精度检验并得到1对1匹配树冠;再以多光谱遥感CCD(charge coupled device)影像和机载LiDAR为数据源,分别基于CCD影像提取光谱特征和纹理共21个特征,基于机载LiDAR数据提取高度、强度和树冠大小共34个特征;然后使用随机森林方法进行特征筛选,得到优化后特征;选择随机森林(RF)和支持向量机(support vector machine,SVM)两种非参数分类器,结合不同数据源和不同特征,采用12种分类方案进行单木树种分类研究,并利用总体精度(overall accuracy,OA)、用户精度(user accuracy,UA)和生产者精度(producer accuracy,PA)对分类结果进行对比与精度评价。本研究得出以下结论:(1)使用随机森林进行特征筛选,当仅使用LiDAR数据时,特征数从34个减少到12个;仅使用多光谱CCD影像时,特征数从21个特征减少到11个;LiDAR数据和多光谱CCD影像结合时,特征数从55个减少到11个。结果表明,不论使用哪种数据进行实验,经随机森林筛选后的结果均优于未经过随机森林筛选的结果。另外,随机森林是基于内部计算筛选特征,而在使用支持向量机作为分类器时,仍然可以提高分类精度。因此,使用随机森林方法筛选特征可以提高分类精度,且结果可靠,可以适用于不同数据源和多种分类器。(2)随机森林可以通过计算平均下降精度得到特征的重要性。实验表明,不论是否使用LiDAR数据,光谱特征对于树种分类的贡献最大,纹理特征、LiDAR提取的高度特征和强度特征对于分类也有重要贡献。此外,根据两个样地的结果,LiDAR数据提取的强度特征相较于高度特征更加稳定。(3)使用多光谱CCD影像和LiDAR数据相结合参与分类的总体精度与使用单一数据源相比有了明显提高,与仅使用多光谱CCD影像和LiDAR数据相比,总体精度分别提高20.8%和7.8%,Kappa系数也有提高。结合多源遥感数据可以提高单木树种分类精度。